用于化学空间填补与新颖化合物生成的AI
生物大分子
2022-02-01 v1
摘要
在考量大量分子集合时，将其置于“化学空间”背景下是有帮助的——该多维空间由一组描述符定义，可用于可视化和分析化合物分组，并识别可能缺乏有效结构的区域。给定生物或环境样品中所有可能分子的化学空间可能极为广阔且很大程度上未被探索，这主要归因于当前暴力方法处理“大数据”的局限（例如枚举空间中所有可能的化合物）。人工智能（AI）的最新进展催生了多种融合AI技术的新型化学信息学工具，用于表征和学习分子的结构与性质，从而生成合理的化合物，进而在无需暴力方法的情况下使化学空间中更易访问和探索的区域得以拓展。我们使用了其中一种工具——称为DarkChem的深度学习软件，其通过将化合物压缩至潜空间来学习分子结构的表示。凭借DarkChem的设计，该潜空间中的距离常与化合物相似性相关，使得稀疏区域因生成新颖化合物的可能性而成为化合物生成的引人关注的目标。在本研究中，我们使用100万个小分子（小于1000 Da）来构建所有小分子的具代表性化学空间（由计算的分子性质定义）。我们识别出化合物稀少或无化合物的区域，并考察其在DarkChem潜空间中的位置。从这些空间中，我们生成了694,645个有效分子，均代表迄今任何化学数据库中均未发现的分子。这些分子填补了分子性质空间中被探测空区的50.8%。生成的分子见支撑信息。
引用
@article{arxiv.2201.12398,
title = {AI for Chemical Space Gap Filling and Novel Compound Generation},
author = {Monee Y. McGrady and Sean M. Colby and Jamie R Nuñez and Ryan S. Renslow and Thomas O. Metz},
journal= {arXiv preprint arXiv:2201.12398},
year = {2022}
}